Eine Studie von Redpoint Insights für Fivetran zeigt: 84 Prozent der Organisationen verlieren mindestens zehn Prozent ihrer KI-Ausgaben an vermeidbare Arbeit. Bei knapp vier von zehn sind es ein Viertel oder mehr.
Unternehmen investieren massiv in Künstliche Intelligenz, doch ein erheblicher Teil des Geldes verwandelt sich nie in Geschäftsnutzen. Laut einer neuen Studie von Redpoint Insights für den Datenintegrationsanbieter Fivetran verlieren 84 Prozent der Organisationen mindestens zehn Prozent ihrer KI-Ausgaben an vermeidbare Arbeit. Knapp vier von zehn büßen ein Viertel oder mehr ein. Die Studie nennt diese versteckten Kosten die „KI-Steuer“. Sie fällt immer dann an, wenn KI nicht mit den Daten verbunden ist, auf die sie angewiesen ist.
Das Ergebnis beziffert eine Frustration, die viele IT-Verantwortliche kennen. KI-Modelle und -Anwendungen sind nur so nützlich wie die Daten, auf die sie zugreifen können. Liegen Informationen in Silos, kommen sie zu spät an oder müssen für jedes neue Projekt bereinigt und umgeformt werden, verbringen Teams ihre Zeit mit Umgehungslösungen statt mit Ergebnissen. Pipelines werden von Hand gebaut, Daten zwischen Systemen kopiert, Ausgaben manuell geprüft und korrigiert. Auf der Rechnung für die KI-Plattform taucht nichts davon auf, doch es kostet Budget, Entwicklerstunden und Nerven.
Bemerkenswert ist vor allem die Größenordnung. Ein Verlust von zehn Prozent wäre in jeder Budgetposition bereits ein beträchtliches Leck, und die Untersuchung legt nahe, dass dies für die große Mehrheit der Organisationen die Untergrenze ist und keine Ausnahme. Dass knapp vier von zehn Verluste von 25 Prozent oder mehr melden, bedeutet: Für eine beachtliche Gruppe fließt ein Viertel jedes für KI vorgesehenen Euros oder Dollars in Arbeit, die besser vernetzte Daten hätten vermeiden können.
Das Ergebnis passt zu einem Muster in der jüngeren Fivetran-Forschung. In einer Umfrage unter 401 Datenverantwortlichen aus dem ersten Quartal 2025 gaben 41 Prozent an, dass fehlender Echtzeit-Datenzugriff KI-Modelle daran hindere, zeitnahe Erkenntnisse zu liefern. Weitere 29 Prozent nannten Datensilos als Hindernis, und 38 Prozent berichteten von höheren Betriebskosten infolge gescheiterter KI-Projekte. Ein Readiness-Index von 2026 ergab, dass nur 15 Prozent der Organisationen vollständig darauf vorbereitet sind, agentische KI im Produktivbetrieb zu unterstützen, obwohl knapp 60 Prozent angaben, Millionen bis zweistellige Millionenbeträge in die Technologie zu investieren.
„Die Studienergebnisse decken sich mit unseren Erfahrungen aus der Zusammenarbeit mit Unternehmen: Der produktive Einsatz von KI allein ist noch kein Maßstab für ihren wirtschaftlichen Erfolg. Ein internationaler Rohstoffdistributor konnte seinen KI-Agenten erst nach der Bereinigung der Stammdaten und der Klärung von Verantwortlichkeiten zuverlässig einsetzen. Das zeigt: Die größten Herausforderungen liegen häufig nicht bei den KI-Modellen selbst, sondern bei der zugrunde liegenden Dateninfrastruktur. Die KI-Steuer zahlt man nicht für das Modell, sondern für das fehlende Fundament darunter“, so Alexander Zschaler, RVP DACH & CEE bei Fivetran.
Der Zeitpunkt ist relevant. Wenn Unternehmen von Pilotprojekten in den Produktivbetrieb wechseln und von Assistenten, die Vorschläge machen, zu Agenten, die handeln, steigen die Anforderungen an das Datenfundament. Informationen müssen aktuell, kontrolliert und nachvollziehbar sein. Ein Agent, der mit veralteten oder unvollständigen Daten arbeitet, liefert nicht nur eine schwache Antwort, sondern handelt womöglich danach. Jeder manuelle Notbehelf für eine fehlende Verbindung wird dann zugleich zu Kosten und zu einem Risiko.
„Wie sich diese Herausforderungen bewältigen lassen, zeigt das Beispiel eines DAX-Konzerns, der auf eine offene Dateninfrastruktur setzt. Die Daten liegen in offenen Formaten vor, stehen unterschiedlichen KI-Anwendungen zur Verfügung, und Governance ist von Beginn an in die Datenpipelines integriert. Unternehmen haben jetzt ein Zeitfenster von zwei bis drei Jahren, um ihre Daten sauber und zentral verfügbar zu machen. Wer erst mit der Integration beginnt, wenn die agentische Welle da ist, kommt zu spät“, so Alexander Zschaler.
Ein sinnvoller erster Schritt ist eine ehrliche Bestandsaufnahme. Wo verbringen Teams derzeit Zeit damit, Daten für KI-Projekte zu verschieben, abzugleichen oder zu korrigieren, und was kostet dieser Aufwand? Sobald diese Zahl vorliegt, wird die Begründung für automatisierte, zuverlässige Datenpipelines zu einer Budgetfrage statt zu einem rein technischen Thema.
Für den Channel sind die Ergebnisse eine Erinnerung daran, dass KI-Projekte selten auf der Modellebene ins Stocken geraten. Systemhäuser und Reseller, die Datenpipelines anbinden, steuern und betreiben können, dürften gefragt sein. Sie haben damit ein stärkeres Geschäftsargument als die nächste Pilotrunde.

Dr. Jakob Jung ist Chefredakteur Security Storage und Channel Germany. Er ist seit mehr als 20 Jahren im IT-Journalismus tätig. Zu seinen beruflichen Stationen gehören Computer Reseller News, Heise Resale, Informationweek, Techtarget (Storage und Datacenter) sowie ChannelBiz. Darüber hinaus ist er für zahlreiche IT-Publikationen freiberuflich tätig, darunter Computerwoche, Channelpartner, IT-Business, Storage-Insider und ZDnet. Seine Themenschwerpunkte sind Channel, Storage, Security, Datacenter, ERP und CRM.
Kontakt – Contact via Mail: jakob.jung@security-storage-und-channel-germany.de